10月20日、The Decoderが「Kling AI drops version 4.0 with stereo audio, multilingual lip sync, and a lighter Flash variant」と題した記事を公開した。中国のショート動画プラットフォームKuaishou Technology傘下の動画生成AI「Kling AI」がバージョン4.0をリリースし、1回の生成で最大30秒の動画を出力できる1パス生成、10言語以上の多言語リップシンク、軽量版「Kling 4.0 Flash」、そしてMCPやCLI経由での開発者向け統合という4つの大きな機能追加を行った。Alibaba傘下のWan 3.0やByteDance傘下のSeedance 2.5との比較動画も掲載されており、中国発の動画生成AI群が拮抗しつつあることも浮き彫りになっている。
30秒・10キーフレームで何が変わるか
Kling AI 4.0の最大の変化は、1回の生成で最大30秒の動画を出力できる点だ。従来は短いクリップを繋ぎ合わせる必要があったが、今回から最大10枚のキーフレーム画像を入力として受け付け、シーン転換・キャラクターの状態・ストーリーの流れを事前に固定できるようになった。プロンプトは最大8,000トークンまで受け付ける。
参照アセットの取り込み能力も強化された。元記事で「Omni Reference」と呼ばれるシステムは、1回の生成で最大15個のアセット（画像10枚・動画5本、合計30秒以内・要素7点）を受け付ける。ストーリーボード、ワイヤーフレーム、画像グリッド、ホワイトモデル動画、デプスマップ動画なども参照として使用可能だ。
元記事で「Creative Recreation」と紹介されている機能では、既存の動画をテンプレートとして使い、製品やキャラクターを差し替えられる。表情・身体の動き・カメラアングル・背景を個別に調整でき、他の部分には影響しないとKling AIは説明している。
ステレオ音声と多言語リップシンク
音声面では2チャンネルのステレオオーディオが追加された。リップシンクは10言語以上（ドイツ語・英語・日本語・韓国語・スペイン語など、方言やアクセントも含む）に対応し、動画内のテキスト生成も多言語対応かつカメラ動作中でも安定して表示される。
4K・1080pでの10ビットHDR出力と、クリップを最大2分まで延長するビデオ拡張機能は、現時点では「coming soon」として予告されている。
軽量版「Flash」と開発者向け統合
メインモデルと並行して、低コスト・高速生成に特化したKling 4.0 Flashが提供される。ただし上限は720p・20秒となっている。
開発者にとって注目されるのは、MCP（Model Context Protocol）およびCLIからアクセス可能になった点だ。MCPとはAIエージェントが外部ツールやAPIと標準化された手順でやり取りするためのプロトコルで、Anthropicが提唱し各社への採用が広がっている。これによりAIエージェントを組み込んだ自動化ワークフローの構築が可能になる。Kling 4.0 APIの料金体系は現時点では未発表で「coming soon」とされている。
競合比較：差は縮まっているか
記事内では、Kling 4.0をAlibaba傘下のWan 3.0およびByteDance傘下のSeedance 2.5と比較した動画が掲載されている。The Decoderの評価によれば、「Kling 4.0は互角を保っているが、ショットの論理的な流れ・物理シミュレーション・自然な対話音声の面では差をつけられていない」とのことだ。Wan 3.0・Seedance 2.5・Kling 4.0のいずれも30秒生成に対応しており、機能セットが急速に収束しつつある。これは動画生成AIモデルの急激な進化が一段落し始めている兆候である可能性があり、次のWan・Seedanceのリリースで方向性が見えてくると記事は指摘している。
詳細はKling AI drops version 4.0 with stereo audio, multilingual lip sync, and a lighter Flash variantを参照していただきたい。
